Spark from_json 也不例外

Question

我正在使用 Spark 2.1 (scala 2.11)。

我想将具有定义模式的 json 格式字符串从一个数据帧加载到另一个数据帧中。我尝试了一些解决方案，但最便宜的是标准列函数 from_json 。我用这个函数尝试了一个例子（https://jaceklaskowski.gitbooks.io/mastering-spark-sql/spark-sql-functions-collection.html#from_json），它给了我意想不到的结果。

val df = spark.read.text("testFile.txt")

df.show(false)

+----------------+
|value           |
+----------------+
|{"a": 1, "b": 2}|
|{bad-record     |
+----------------+


df.select(from_json(col("value"),
      StructType(List(
                  StructField("a",IntegerType),
                  StructField("b",IntegerType)
                ))
    )).show(false)


+-------------------+
|jsontostruct(value)|
+-------------------+
|[1,2]              |
|null               |
+-------------------+

此行为类似于 mode:PERMISSIVE，它不是默认的。默认情况下，它设置为 FAILFAST 模式，这意味着只要输入数据和强制模式不匹配，它就应该抛出异常。

我尝试使用 DataFrameReader（JSON DataSource 和 FAILFAST 模式）加载 testFile.txt 并成功捕获异常。

spark.read.option("mode","FAILFAST").json("test.txt").show(false)

---
Caused by: org.apache.spark.sql.catalyst.json.SparkSQLJsonProcessingException: Malformed line in FAILFAST mode: {bad-record
---

虽然两种情况下的解析模式相同，但为什么各自的输出如此不同？

Answer 1

这是预期的行为。from_json是一个SQL函数，并且在这个级别没有异常（故意的）的概念。如果操作失败，结果是未定义的NULL。

虽然from_json提供了options允许您设置 JSON 读取器选项的参数，但由于上述原因，无法覆盖此行为。

附带说明一下，默认模式DataFrameReader是宽容的。